シラバス参照
|
シラバス参照
|
| 講義概要/Course Information |
| 科目基礎情報/General Information |
| 授業科目名 /Course title (Japanese) |
計測工学基礎 | ||
|---|---|---|---|
| 英文授業科目名 /Course title (English) |
Fundamentals of Measurement Engineering | ||
| 科目番号 /Code |
|||
| 開講年度 /Academic year |
2019年度 | 開講年次 /Year offered |
全学年 |
| 開講学期 /Semester(s) offered |
後学期 | 開講コース・課程 /Faculty offering the course |
博士前期課程 |
| 授業の方法 /Teaching method |
講義 | 単位数 /Credits |
2 |
| 科目区分 /Category |
大学院専門教育科目 - 専門科目Ⅰ | ||
| 開講類・専攻 /Cluster/Department |
機械知能システム学専攻 | ||
| 担当教員名 /Lecturer(s) |
宮脇 陽一 | ||
| 居室 /Office |
東4-620（宮脇） | ||
| 公開E-mail |
yoichi.miyawaki@uec.ac.jp | ||
| 授業関連Webページ /Course website |
webclassを開講予定 | ||
| 更新日 /Last update |
2019/04/30 14:05:33 | 更新状況 /Update status |
公開中 /now open to public |
| 講義情報/Course Description |
| 主題および 達成目標（2,000文字以内） /Themes and goals（up to 2,000 letters） |
物理量の工学的計測において必須となる数理的手法，信号処理手法の基礎について講義する．前半は，計測データをもとにしたモデリングで用いられる数理解法の基礎について学ぶ．後半は，時系列信号のモデリングと信号処理手法の基礎について学ぶ．また全体を通し、多変量解析や統計的機械学習の最新トピックについても、必要に応じて随時紹介する。 This class lectures mathematical methods and signal processing necessary for engineering measurement of physical quantity. It consists of mathematical modeling of multidimensional data and time series analysis, also including the latest topics about multivariate analyses and statistical machine learning. |
|---|---|
| 前もって履修 しておくべき科目（1,000文字以内） /Prerequisites（up to 1,000 letters） |
線形代数，確率統計，計測システム工学 Linear algebra, probability and statistics, measurement system engineering |
| 前もって履修しておくこ とが望ましい科目（1,000文字以内） /Recommended prerequisites and preparation（up to 1,000 letters） |
計測工学，信号処理，工学解析および演習、応用数学 Measurement engineering, signal processing, engineering mathematics and exercise, applied mathematics |
| 教科書等（1,000文字以内） /Course textbooks and materials（up to 1,000 letters） |
東京大学教養学部統計学教室，自然科学の統計学（東京大学出版会） C.M. Bishop，パターン認識と機械学習 上・下（シュプリンガー・ジャパン） デジタル信号処理の各種教科書 Analysis of Scientific Data, Statistics Section, Department of Social Sciences, College of Arts and Sciences, University of Tokyo, University of Tokyo Press. Pattern Recognition and Machine Learnign, C.M. Bishop, Springer. Textbooks for digital signal processing |
| 授業内容と その進め方（2,000文字以内） /Course outline and weekly schedule（up to 2,000 letters） |
第１回 計測データのモデリング：イントロダクション 第２回 線形回帰モデル（１）：線形モデルの行列表現、最小二乗法など 第３回 線形回帰モデル（２）：優決定・劣決定、特異値分解など 第４回 線形回帰モデル（３）：一般化逆行列、正則化など 第５回 線形判別モデル（１）：線形分離可能性、フィッシャー線形識別器、パーセプトロン、深層学習など 第６回 線形判別モデル（２）：サポートベクタマシンなど 第７回 計測データの縮約表現：主成分分析、因子分析、低次元多様体、スパースモデリングなど 第８回 仮説検定（１）：確率と統計の基礎、確率分布など 第９回 仮説検定（２）：統計検定、線形回帰モデルの検定など 第１０回 仮説検定（３）：最尤法、フィッシャー情報量、ベイズ統計基礎など 第１１回 時系列信号のモデリング：サンプリング、線形システム、インパルス応答など 第１２回 確率過程と不規則信号（１）：確率過程、定常性、雑音など 第１３回 確率過程と不規則信号（２）：相関、スペクトル、コヒーレンスなど 第１４回 フィルタリングと予測（１）：ウィナーフィルタ、適応フィルタなど 第１５回 フィルタリングと予測（２）：自己回帰モデルとその推定など Lecture #1 Modeling of measured data: Introduction Lecture #2 Linear regression model (1): Matrix form of linear model, least square method Lecture #3 Linear regression model (2): Overdetermined and underdetermined system, singular value decomposition Lecture #4 Linear regression model (3): Generalized inverse matrix, regularization Lecture #5 Linear classification model (1): Linear separability, Fisher linear discriminant, Perceptron, deep learning Lecture #6 Linear classification model (2): Support vector machine Lecture #7 Reduced representation of measured data: Principal component analysis, factor analysis, low dimensional manifold, sparse modeling Lecture #8 Hypothesis testing (1): Basics of probability and statistics, probability distribution Lecture #9 Hypothesis testing (2): Statistical test, Statistical test for linear regression model Lecture #10 Hypothesis testing (3): Maximum likelihood method, Fisher information, basics of Bayesian statistics Lecture #11 Modeling of time series data: Sampling, linear system, impulse response Lecture #12 Stochastic process and random signal (1): Stochastic process, stationarity, noise Lecture #13 Stochastic process and random signal (2): Correlation, spectrum, coherence Lecture #14 Filtering and prediction (1): Wiener filter, adaptive filter Lecture #14 Filtering and prediction (2): Autoregressive model and its estimation |
| 実務経験を活かした 授業内容 (実務経験内容も含む) /Course content utilizing practical experience |
|
| 授業時間外の学習 （予習・復習等）（1,000文字以内） /Preparation and review outside class（up to 1,000 letters） |
線形代数、確率統計、ベクトル解析、ディジタル信号処理を復習しておくこと Review linear algebra, probability and statistics, vector analysis, and digital signal processing |
| 成績評価方法 および評価基準 （最低達成基準を含む） （1,000文字以内） /Evaluation and grading （up to 1,000 letters） |
(a) 評価方法：レポートの採点による (b) 評価基準：上記成績評価の6割を持って合格最低基準とする． (c) 到達レベル 計測データのモデリングの基礎を理解することを最低基準とする．具体的には，線形回帰モデル，線形判別モデル，統計的仮説検定，線形システム，確率過程、フィルタリング、線形予測の数学的基礎を理解し，実計測システム，実データへの応用の方法を理解すること． (a) Evaluation: based on a score of students' report (b) Criteria: above 60% of a total score (c) Expected level to achieve: Basic understanding of modeling of measured data is a minimal requirement. Specifically, students are required to understand mathematical basics of linear regression model, linear classification model, statistical hypothesis testing, linear system, stochastic process, filtering, and linear prediction, and their application to real measurement system and real data. |
| オフィスアワー： 授業相談（1,000文字以内） /Office hours（up to 1,000 letters） |
金曜4限．その他適宜相談に応じるが，e-mailなどで事前にアポイントを取ること． 14:40 - 16:10, every Friday. Prior appointment via e-mail is preferable for other time slots. |
| 学生へのメッセージ（1,000文字以内） /Message for students（up to 1,000 letters） |
線形モデリングや信号処理は，非常に広範な工学的問題の解析の基礎となります． 自分の研究テーマとの関連性を考えながら，能動的に学習することを望みます． Linear modeling and signal processing is basics for analytic solutions for engineering problems in the wide field. Students are necessary to learn the topics actively while considering relationship with their own research themes. |
| その他 /Others |
特に無し N/A |
| キーワード /Keywords |
線形回帰，線形判別，統計的仮説検定，線形システム、確率過程、フィルタリング、予測 Linear regression, linear classification, statistical hypothesis testing, linear system, stochastic process, filtering, prediction |